王 嘉， 李志剛， 王博然

(1.河北工業(yè)大學電磁場與電器可靠性省部共建重點實驗室，天津300130；2.康奈爾大學，紐約14853)

電子器件關鍵壽命參數獲取及性能退化研究

王 嘉1， 李志剛1， 王博然2

(1.河北工業(yè)大學電磁場與電器可靠性省部共建重點實驗室，天津300130；2.康奈爾大學，紐約14853)

研究電子器件生命特征、生命信息與潛在缺陷及壽命的相關性，依賴于其生命信息可靠壽命的預測方法。根據電子器件多參數多采樣點組成的序列信息矩陣來研究其性能退化規(guī)律，其中涉及數據繁多，需進行壓縮。結合神經網絡，對包含電子器件序列信息的采樣本點進行多方式選取，通過比較所得誤差來最終確定采樣點的選取方法；采用主成分分析法對繼電器序列信息矩陣的列向量進行處理，提取出關鍵性能參數；構造適合的價值函數以獲取描述電子器件性能可靠程度的特征量，對電子器件性能退化進行研究。

電子器件；退化；神經網絡；主成分分析

電子器件是火箭、衛(wèi)星等航天系統(tǒng)的重要組成部分，要求其高性能、高可靠、長壽命，甚至“零缺陷”[1]。如何在一段時間內提取器件的關鍵參數，發(fā)現退化模式從而保證“零缺陷”，是本文的研究重點。傳統(tǒng)的可靠性評估通常是基于產品的故障或壽命終態(tài)特征進行，以失效時間作為統(tǒng)計分析對象，通過對失效數據的統(tǒng)計推斷得到產品的壽命分布模型，從而進行可靠性評定。但傳統(tǒng)方法經常遇到失效數據太少或無失效數據的難題，尤其是對高可靠、長壽命和昂貴的產品[2]，而對于經過篩選的整批元件要求在裝機前預測某個具體元件的工作性能，在某種情況下，元件不能進行完全壽命實驗，甚至不能進行壽命實驗。因此，怎樣通過測量電子器件初態(tài)部分數據來獲取關鍵參數以及退化規(guī)律很有研究意義[3-5]。

目前，對于電子器件性能退化的研究已取得一定的發(fā)展。國內外學者研究了支持向量機[2,6]、小波包[7]、隱型馬爾可夫模型[8]、動態(tài)概率模型[9]、數據融合理論[10]、AR模型[11]、針對Winner過程的Bayes算法[12]等各種方法在性能退化評估領域的應用，并設計了應用于關鍵設備的在線監(jiān)測與故障診斷系統(tǒng)[13]。

本文采用BP(Back Propagation)神經網絡對電子器件測得的原始數據進行處理，通過比較誤差選擇出一種可信度更高的采點及分組方法，然后用主成分分析法對每個組進行處理，得到綜合的具有代表性的數據，進而對繼電器的整體性能進行評估，研究其退化規(guī)律。

1 BP神經網絡應用

BP神經網絡是一種多層前饋型神經網絡，它可以實現從輸入到輸出空間的非線性映射，通過若干簡單非線性處理單元的復合映射，可獲得復雜的非線性處理能力。BP網絡模型已成為神經網絡的重要模型之一，在很多領域得到了應用。如函數逼近、模式識別、分類以及數據壓縮等[14]。

BP神經網絡通常用來進行預測，給定當前序列信息，在一定誤差范圍內通過訓練和學習能夠預測下一個時刻的序列信息[15]。本文從相反角度來使用BP神經網絡：給定當前序列信息和下一個時刻的序列信息，通過構建相應的神經網絡以及采用不同的分組方式得到預測誤差。

大小來決定選用的取點方案。

表1 電子器件各取點方式下的誤差分布

2 主成分分析法的使用

2.1 主成分分析法思想

在處理多元樣本數據時，首先遇到的問題就是數據繁多。假設有個對象，每個對象觀測個數據，則有×個數據。如何從這些數據中提取主要規(guī)律，從而分析樣本甚至總體

主成分分析法能消除各指標之間的相互影響，進而減少選擇參數指標的工作量；當評級指標較多時還可以在保留絕大部分信息的情況下用少數幾個綜合指標代替原指標進行分析，主成分的權數就是其貢獻率，避免其他方法確定權數的缺陷。因此本文選用主成分分析法輔助研究[16-17]。

2.2 主成分分析法的數學推導

由以上數學推導可知：各主成分貢獻率(各主成分占總體比例)大小能夠表示各主成分的高低，因此可以用貢獻率來直接表示主成分的比重。

2.3 主成分分析法的新用法

在選取主成分時，要求其累積主成分貢獻率不小于85%，即選取的有代表性的主成分能表示出原始數據的85%以上的信息。一般達到這個要求需選取2至3個主成分，但會提高退化模型的維數，對性能退化研究造成一定困難[18]。能否在保證信息量的同時又使選取的主成分更少，更直觀地體現出電子器件的性能，是本文要解決的一個難題。

主成分載荷能夠表示原變量與主成分之間的相關程度，即所得到的主成分與每個原始變量的相關系數。

由于：

即：

則主成分載荷的計算為：

通過計算主成分載荷，對電子器件進行兩方面分析：(1)假設第一主成分載荷絕對值都很大，即得到的綜合變量與每個原始變量都有較大關系，則選擇第一主成分作為退化綜合數據進行研究；(2)假設第一主成分載荷的絕對值僅在某幾個變量處較大，其他變量處相對可以忽略，那么得到的第一主成分是這幾個變量的綜合，同時證明這幾個變量對電子器件的退化影響最大，則選擇第一主成分作為退化綜合數據后，著重分析主成分載荷大的變量。

第一種情況下選擇第一主成分，能保證退化綜合變量不會摒棄任何一個原始變量，綜合所有的變量對電子器件性能退化的影響。第二種情況下選擇第一主成分，重點考慮分析對性能退化影響最大的幾個變量的貢獻。

3 實例分析

以繼電器為例，對其兩個觸點在20℃時(排除溫度影響)測量五個參數(接觸電阻、最大電阻、彈跳時間、動作時間和穩(wěn)定時間)[19]，記錄60個采樣點，所有數據間隔不等，跨度從0到492萬次。將60個點分成6組，按照第一節(jié)所述用神經網絡分別在三種取點方式下對所得的采樣點進行處理，得到表2～表4及圖1和圖2。

由圖1和圖2可見，連續(xù)取點時第一個觸點的誤差較大，并且呈現上升趨勢；第二個觸點雖然略有下降，但是相對其余兩種方法仍然有很大偏差。間隔兩個點取點時第一個觸點誤差呈現上升趨勢，盡管在第二個觸點誤差相對較小，仍不足以信賴；間隔一個點取點時所得到的誤差最小，即用采集到的繼電器觸點的五個原始測量數據來預測未來時刻的信息產生的偏差最小，因此選擇間隔一個點取點的方式來進行下一步研究。

表3 間隔一個點取點時兩個觸點的誤差

表4 間隔兩個點取點時兩個觸點的誤差

圖1 第一個觸點誤差

圖2 第二個觸點誤差

確定取點方式后，根據主成分分析法的，用式(3)和式(4)計算原始數據每個組相關系數矩陣的特征值和特征向量，用式(8)和式(9)來計算其第一主成分載荷。具體數據如表5、表6所示。

由圖3、圖4可見：第一主成分的載荷在每個組特征一致，即除個別的點外，第一主成分與每個原始變量相關系數的絕對值都較大，主成分載荷分布集中，并且圍繞著1和-1波動。表明實例研究要選取的第一主成分是綜合每一個變量得到的能代表各個組的特征量。

本文主要目的是研究電子器件退化規(guī)律，因此我們以圖表為基礎分析各主成分走勢，見圖5。

通過圖5可見繼電器各個觸點第一主成分的走勢，每組第一主成分綜合了繼電器各觸點的五個主要參數，是綜合的具有代表性的變量。綜上所述隨著繼電器使用次數的增多，第一主成分微弱的上升然后呈現下降趨勢，排除測量噪聲以及其他隨機效應的干擾，體現在繼電器本身，是整體性能隨著時間累積發(fā)生退化。

表5 觸點一的各組第一主成分的載荷

表6 觸點二的各組第一主成分的載荷

圖3 第一個觸點主成分載荷

圖4 第二個觸點主成分載荷

圖5 第一個觸點誤差

4 結論

隨著電子器件使用次數的增多，其性能發(fā)生退化，反映在綜合變量參數上，是一種下降的趨勢。本文提供了一種電子器件關鍵參數獲取及性能退化的研究方法，并用數學公式推導了主成分分析法，通過主成分分析法得到的第一主成分是綜合了電子器件各性能參數的特征量，它代表電子器件整體的工作狀態(tài)；其載荷體現電子器件退化與哪些參數關系更大。通過對繼電器進行研究實驗驗證了方法的可行性。

[1]FRANCO F J，ZONG Y，JUAN A．Degradation of power bipolar operational amplifiers in a mixed neutron and gamma environment [J]．IEEE Transactions on Nuclear Science，2007，54(4)：982-988．

[2]胡昌華，胡錦濤，張偉，等．支持向量機用于性能退化的可靠性評估[J]．系統(tǒng)工程與電子技術，2009，31(5)：1246-1249．

[3]HUA C，ZHANG X Q．Long-term potential performance degradation analysis method based on dynamical probability model[J]．Expert Systems with Applications，2012，39：4410-4417．

[4]KEEDY E，FENG Q． A physics-of-failure based reliability and maintenance modeling framework for stent deployment and operation[J]．Journal Homepage，2012，61(2)：94-101．

[5]ANIL V，VIRKAR．A model for degradation of electrochemical devices based on linear non-equilibrium thermodynamics and its application to lithium ion batteries[J]．Journal of Power Sources，2011，196：5970-5984．

[6]PAN Y N，CHEN J，DONG G M．A hybrid model for bearingperformance degradation assessment based on support vectordata description and fuzzy c-means[J]．Journal of Mechanical Engineering Science，2009，223:2687-2695．

[7]潘玉娜，陳進．小波包-支持向量數據描述在軸承性能退化評估中的應用研究[J]．振動與沖擊，2009，28(4)：164-167．

[8]肖文斌，陳進，周宇，等． 小波包變換和隱馬爾可夫模型在軸承性能退化評估中的應用[J]．振動與沖擊，2011，30(8)：32-35．

[9]華成，張慶，徐光，等．動態(tài)概率模型跟蹤性能退化的實時可靠性評估方法[J]．西安交通大學學報，2010，44(1)：46-50．

[10]彭寶華，周經倫，孫權，等．基于退化與壽命數據融合的產品剩余壽命預測[J]．系統(tǒng)工程與電子技術，2011，33(5)：1073-1078．

[11]呂克洪，邱靜，劉冠軍．基于動態(tài)損傷及優(yōu)化AR模型的電子器件壽命預測方法研究[J]．兵工學報，2009，30(1)：91-95．

[12]彭寶華，周經倫，潘正強．Wiener過程性能退化產品可靠性評估的Bayes方法[J]．系統(tǒng)工程理論與實踐，2010，30(3)：543-549 ．

[13]朱義，基于CHMM的設備性能退化評估方法研究[D]．上海：上海交通大學，2009．

[14]孫宇，曾衛(wèi)東，趙永慶，等．基于BP神經網絡的TC11鈦合金工藝-性能模型預測[J]．稀有金屬材料與工程，2011，40(11)：1951-1955．

[15]吳桂芳，蔣益虹，王艷艷，等．基于獨立主成分和BP神經網絡的干紅葡萄酒品種的鑒別[J]．光譜學與光譜分析，2009，29 (5)：1268-1271．

[16]SCHWEIZER K，CATTIN P C，BRUNNER R，et al．Automatic selection of a representative trial from multiple measurements using Principle component analysis[J]．Journal of Biomechanics，2012，45(13)：2306-2309．

[17]傅榮林．主成分綜合評價模型的探討[J]．系統(tǒng)工程理論與實踐，2001(11)：68-74．

[18]宗培，曹雷，邵國良，等．焊接結構質量的主成分分析[J]．機械工程學報，2005，41(5)：65-73．

[19]姚芳，李志剛，李玲玲，等．繼電器觸點接觸電阻的時間序列短期預測[J]．中國電機工程學報，2005，25(1)：61-65．

Study on key life parameters acquisition and performance degradation of electronic devices

WANG Jia1,LI Zhi-gang1,WANG Bo-ran2

The relationship of the potential defect and life with life characteristic and information were studied,and the life prediction depending on life initial information was introduced.The performance degradation rules of the relays were studied based on the sequence information matrix that contains many parameters and sampling points.The mass of data related had to be compressed.Some methods combined with neural network were used to select the sample of sequence information,and the choosing method of samples was determined by comparing the errors.To extract the key performance parameters,the column vectors of sequence information matrix were processed with principal component analysis.The proper value function was constructed to acquire the characteristic quantity which can describe the comprehensive performance reliability of the relays. The performance degradation model of the relays was studied.

electronic device;degradation;neural network;principal component analysis

TM 315

A

1002-087 X(2015)04-0810-05

2014-09-12

國家自然科學基金（61072100，51107029）

王嘉（1988—），女，河北省人，博士生，主要研究方向為電器可靠性及壽命預測；導師：李志剛（1958—），男，河北省人，教授，博士生導師，主要研究方向為電器可靠性及其檢測技術。